YOLOv8 So với RTDETRv2: Khám phá chuyên sâu về phát hiện đối tượng thời gian thực

Lĩnh vực phát hiện đối tượng từ lâu đã bị chi phối bởi Mạng nơ-ron tích chập (CNN), nhưng sự xuất hiện của các kiến trúc dựa trên Transformer đã giới thiệu những mô hình mới đầy hứa hẹn. Bài so sánh kỹ thuật này khám phá sự khác biệt giữa Ultralytics YOLOv8 , tiêu chuẩn ngành cho thị giác thời gian thực đa năng, và RTDETRv2 (Real-Time DEtection TRansformer phiên bản 2), một mô hình mạnh mẽ hướng đến nghiên cứu từ Baidu.

Trong khi YOLOv8 RTDETRv2 tận dụng hiệu quả đã được chứng minh của mạng CNN để mang lại tốc độ và sự dễ sử dụng, đồng thời sử dụng bộ chuyển đổi hình ảnh để nắm bắt ngữ cảnh toàn cục, cung cấp một cách tiếp cận khác về độ chính xác.

So sánh Các chỉ số Hiệu suất

Bảng sau đây so sánh các chỉ số hiệu suất chính. Trong khi RTDETRv2 thể hiện độ chính xác cao về COCO YOLOv8 cung cấp phạm vi kích thước mô hình rộng hơn (từ Nano đến X-Large) và tốc độ suy luận vượt trội trên phần cứng tiêu chuẩn, làm nổi bật khả năng tối ưu hóa cho việc triển khai thực tế.

Mô hình	Kích thước ^(pixels)	mAP^val 50-95	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

RTDETRv2-s	640	48.1	-	5.03	20	60
RTDETRv2-m	640	51.9	-	7.51	36	100
RTDETRv2-l	640	53.4	-	9.76	42	136
RTDETRv2-x	640	54.3	-	15.03	76	259

Tổng quan mô hình

Ultralytics YOLOv8

YOLOv8 đánh dấu một bước tiến đáng kể trong lĩnh vực này. YOLO Lineage được thiết kế để trở thành mô hình AI thị giác dễ tiếp cận và mạnh mẽ nhất thế giới. Nó giới thiệu một kiến trúc hiện đại, không cần neo, cân bằng độ chính xác phát hiện với độ trễ suy luận trên nhiều mục tiêu phần cứng khác nhau, từ các thiết bị nhúng NVIDIA Jetson đến API đám mây.

Tác giả: Glenn Jocher, Ayush Chaurasia, và Jing Qiu
Tổ chức:Ultralytics
Ngày phát hành: 10 tháng 1 năm 2023
Khung: PyTorch (với tính năng xuất khẩu gốc sang) ONNX , OpenVINO , CoreML , TFLite )
GitHub:ultralytics/ultralytics

Tìm hiểu thêm về YOLOv8

RTDETRv2

RTDETRv2 là sự phát triển của Bộ chuyển đổi phát hiện thời gian thực (Real-Time DEtection TRansformer) RT-DETR ). Mục tiêu là giải quyết chi phí tính toán cao thường gặp ở các mô-đun Vision Transformer (ViT) bằng cách sử dụng bộ mã hóa lai hiệu quả và loại bỏ nhu cầu về thuật toán Non-Maximum Suppression ( ). NMS ) xử lý hậu kỳ thông qua kiến trúc bộ giải mã biến áp của nó.

Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, et al.
Tổ chức: Baidu
Ngày phát hành: 17 tháng 4 năm 2023 (Bản gốc) RT-DETR ), tháng 7 năm 2024 (Bản in v2)
Nền tảng: PyTorch
GitHub:lyuwenyu/RT-DETR
Arxiv:RT-DETRv2 Paper

Tìm hiểu thêm về RTDETR

Sự khác biệt về kiến trúc

Sự khác biệt cốt lõi nằm ở cách các mô hình này xử lý các đặc điểm hình ảnh.

YOLOv8 sử dụng kiến trúc mạng nơ-ron tích chập (CNN) với mô-đun C2f (Cross-Stage Partial Bottleneck với hai lớp tích chập). Thiết kế này giúp tăng cường luồng gradient và độ phong phú của các đặc trưng trong khi vẫn duy trì kích thước nhỏ gọn. Nó sử dụng một đầu không cần neo (anchor-free head) , dự đoán trực tiếp tâm của đối tượng thay vì điều chỉnh các hộp neo được xác định trước. Điều này đơn giản hóa quá trình huấn luyện và cải thiện khả năng khái quát hóa trên các hình dạng đối tượng không đều.

RTDETRv2 sử dụng bộ mã hóa lai (Hybrid Encoder) xử lý các đặc trưng đa tỷ lệ. Không giống như các Transformer truyền thống có khối lượng tính toán lớn, RTDETRv2 tách biệt tương tác nội tỷ lệ (sử dụng CNN) và hợp nhất liên tỷ lệ (sử dụng cơ chế Attention), giúp cải thiện tốc độ đáng kể. Tính năng nổi bật của nó là bộ giải mã Transformer (Transformer Decoder) với... IoU - lựa chọn truy vấn có nhận biết, cho phép nó xuất ra một tập hợp các hộp giới hạn cố định mà không cần NMS .

NMS so với NMS -Miễn phí

Theo truyền thống, các thiết bị phát hiện vật thể như YOLOv8 Sử dụng phương pháp loại bỏ cực đại không đồng nhất (Non-Maximum Suppression - NMS ) để lọc các hộp chồng chéo. Kiến trúc bộ chuyển đổi của RTDETRv2 được hỗ trợ nguyên bản. NMS -miễn phí. Tuy nhiên, phiên bản mới nhất Ultralytics Mô hình YOLO26 hiện cũng có thiết kế End-to-End NMS -Free , kết hợp tốc độ vượt trội của CNN với sự đơn giản như kiến trúc Transformer.

Hệ sinh thái và Dễ sử dụng

Đây là điểm khác biệt rõ rệt nhất giữa các nhà phát triển và kỹ sư.

Ultralytics Hệ sinh thái: YOLOv8 Đây không chỉ là một mô hình; nó là một phần của một nền tảng hoàn thiện. ultralytics Python gói này cung cấp một giao diện thống nhất cho Huấn luyện, Xác thực, Dự đoán, và Xuất.

Tính linh hoạt: Hỗ trợ gốc cho Phân đoạn đối tượng , Ước tính tư thế , Phân loại và OBB . RTDETRv2 chủ yếu là kho lưu trữ nghiên cứu tập trung vào phát hiện.
Chế độ xuất: Chỉ với một dòng mã, YOLOv8 xuất mô hình sang ONNX , TensorRT , CoreML , Và TFLite , đảm bảo triển khai mượt mà trên các thiết bị di động và thiết bị biên.
Cộng đồng: Một cộng đồng rộng lớn với hàng triệu người dùng đảm bảo rằng các hướng dẫn, bài học và tích hợp với bên thứ ba (như Ultralytics Platform và Comet ) luôn sẵn có.

Hệ sinh thái RTDETRv2: RTDETRv2 là một kho lưu trữ dữ liệu dành cho nghiên cứu. Mặc dù cung cấp kết quả học thuật xuất sắc, nhưng nó thường yêu cầu cấu hình thủ công nhiều hơn cho các tập dữ liệu tùy chỉnh và thiếu sự hoàn thiện "sẵn có" của các hệ thống khác. Ultralytics Khung phần mềm này. Người dùng có thể gặp khó khăn khi triển khai trên các thiết bị biên có tài nguyên hạn chế như Raspberry Pi mà không cần nỗ lực kỹ thuật đáng kể.

Ví dụ mã: Sự đơn giản của Ultralytics

Đào tạo YOLOv8 Trực quan và yêu cầu mã mẫu tối thiểu:

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with one command
# The system handles data loading, augmentation, and logging automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX for production
model.export(format="onnx")

Hiệu quả đào tạo và sử dụng nguồn lực

Hiệu quả bộ nhớ: Ultralytics YOLO Các mẫu xe này được thiết kế để đạt hiệu quả cao. Chúng thường yêu cầu ít năng lượng hơn. GPU bộ nhớ ảo (VRAM) trong quá trình huấn luyện so với các kiến trúc dựa trên Transformer. Điều này cho phép các nhà nghiên cứu huấn luyện với kích thước lô lớn hơn trên các thẻ nhớ thông thường (ví dụ: NVIDIA RTX 3060/4070), dân chủ hóa việc tiếp cận trí tuệ nhân tạo hiệu năng cao.

RTDETRv2, dựa trên cơ chế chú ý, có thể tiêu tốn nhiều bộ nhớ hơn. Các mô hình Transformer thường yêu cầu thời gian huấn luyện dài hơn để hội tụ hoàn toàn so với sự hội tụ nhanh chóng của các mạng CNN như... YOLOv8 .

Rèn luyện sự ổn định: YOLOv8 Lợi ích đến từ quá trình tiến hóa siêu tham số mở rộng trên tập dữ liệu COCO , dẫn đến các lần chạy huấn luyện ổn định với mức tinh chỉnh tối thiểu. Ultralytics Ngoài ra, nền tảng này còn cung cấp Ultralytics Platform để trực quan hóa các chỉ số và quản lý các thử nghiệm một cách dễ dàng.

Các ứng dụng thực tế

Điểm mạnh của YOLOv8

YOLOv8 Đây là "dao đa năng" của lĩnh vực thị giác máy tính, lý tưởng cho:

AI và IoT biên: Hoạt động trên các thiết bị tiêu thụ ít năng lượng như điện thoại Android hoặc camera thông minh.
Robot học: Điều hướng và tránh chướng ngại vật trong thời gian thực, nơi mà từng mili giây độ trễ đều rất quan trọng.
Kiểm tra công nghiệp: Dây chuyền lắp ráp tốc độ cao yêu cầu phát hiện, phân đoạn và OBB (đối với các bộ phận quay) đồng thời.
Phân tích thể thao: Theo dõi chuyển động nhanh của cầu thủ bằng phương pháp ước lượng tư thế .

Vị trí của RTDETRv2

RTDETRv2 là một ứng cử viên sáng giá cho các hạng mục sau:

Xử lý phía máy chủ: Các ứng dụng chạy trên GPU mạnh mẽ, nơi các hạn chế về bộ nhớ không quá khắt khe.
Hiểu bối cảnh phức tạp: Các trường hợp mà cơ chế chú ý toàn cục có thể phân tách tốt hơn các đối tượng chồng chéo trong đám đông dày đặc.
Nghiên cứu: Các tiêu chuẩn học thuật, nơi mà việc tối ưu hóa đến từng 0,1% cuối cùng trở nên vô cùng quan trọng. mAP đó là mục tiêu chính.

Tương lai: Hãy cùng bước vào YOLO26

Trong khi YOLOv8 Cả RTDETRv2 và RTDETRv2 đều rất xuất sắc, lĩnh vực này phát triển rất nhanh. Ultralytics Mới đây, YOLO26 đã được phát hành, kết hợp những ưu điểm của cả hai kiến trúc.

Tại sao nên nâng cấp lên YOLO26?

Về cơ bản là NMS - Không cần chỉnh sửa: Giống như RTDETRv2, YOLO26 loại bỏ... NMS , đơn giản hóa các quy trình triển khai và ổn định độ trễ suy luận, nhưng vẫn đảm bảo hiệu quả. YOLO khung.
Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ những cải tiến trong huấn luyện LLM (như Kimi K2 của Moonshot AI), bộ tối ưu hóa lai này đảm bảo quá trình huấn luyện ổn định và hội tụ nhanh hơn.
Tối ưu hóa cho thiết bị biên: YOLO26 cung cấp khả năng suy luận CPU nhanh hơn tới 43% so với các thế hệ trước, giúp nó trở nên thiết thực hơn đáng kể đối với các ứng dụng không chuyên về điện toán biên. GPU môi trường hơn so với các thiết bị biến áp hạng nặng.
Loại bỏ DFL: Việc loại bỏ tổn hao tiêu điểm phân phối (Distribution Focal Loss - DFL) giúp đơn giản hóa đồ thị mô hình, cho phép xuất dữ liệu sang các NPU nhúng một cách mượt mà hơn.

Dành cho các nhà phát triển đang tìm kiếm độ chính xác của các bộ chuyển đổi hiện đại với tốc độ và hệ sinh thái của... Ultralytics YOLO26 là lựa chọn được khuyến nghị cho các dự án mới trong năm 2026.

Tìm hiểu thêm về YOLO26

Tóm tắt

Tính năng	Ultralytics YOLOv8	RTDETRv2
Kiến trúc	CNN (C2f, Không có người dẫn chương trình)	Bộ mã hóa lai + Bộ giải mã biến áp
NMS Yêu cầu	Có (Tiêu chuẩn)	Không (Bản địa) NMS -miễn phí)
Tốc độ luyện tập	Hội tụ nhanh	Chậm hơn, cần nhiều chu kỳ hơn.
Hỗ trợ tác vụ	Phát hiện, Phân đoạn, Tạo dáng, Phân loại, OBB	Chủ yếu là detect
Dễ sử dụng	Cao (API đơn giản, tài liệu đầy đủ)	Mức độ khó: Trung bình (Kho lưu trữ nghiên cứu)
Triển khai	Xuất dữ liệu chỉ với 1 cú nhấp chuột ( ONNX , TRT, CoreML )	Cần xuất khẩu thủ công

Đối với hầu hết người dùng, YOLOv8 (và YOLO26 mới hơn) mang lại sự cân bằng tốt nhất giữa hiệu năng, tính linh hoạt và trải nghiệm dành cho nhà phát triển. Khả năng mở rộng từ các thiết bị biên nhỏ đến các cụm máy chủ khổng lồ, kết hợp với tài liệu Ultralytics toàn diện, khiến nó trở thành lựa chọn an toàn và mạnh mẽ nhất cho các hệ thống sản xuất.